在面部生物識別模板中存儲了哪些信息？ EAB探索

深度學習的面部表徵使當前的面部識別系統能夠成功。

儘管面部識別系統表示能夠編碼個人的身份，但是最近的作品表明其中存儲了很多信息。

由歐洲生物識別協會（EAB）由Fraunhofer IGD的研究科學家PhilippTerhörst領導，週二檢查了這些問題。

演講表明，嵌入了多少軟生物特徵屬性中，這些屬性通常與面對驗證性能。

該活動分為三個部分，每個部分都回答了一個不同的問題。

面部模板中存儲了哪些信息？

根據Terhörst的說法，存儲在面部生物特徵模板中的主要信息包括人口統計學，圖像特徵和社會特徵。

Fraunhofer IGD科學家進行的研究分析了兩個面部模板，涉及113個屬性，並得出結論，可以很容易地預測其中74個屬性，尤其是非任務。

Terhörst通過訓練大量的屬性分類器（MAC）來共同預測多個屬性，例如面部形狀，鬍鬚類型，以及個人是否戴口紅。

實驗期間測試的生物特徵算法是LFW和Celeba。 Terhörst的團隊分析了13,000張來自5000多人的圖像，並從LFW中分析了多達73個屬性註釋。 Celeba測試考慮了一萬名名人和40個二進制屬性的200,000張圖像。

測試是通過面部和街道嵌入進行的，並表明頭姿勢和社會特徵是最容易預測的。

面部幾何形狀，鼻子和圖像質量等也可以預測，而皮膚，口腔和環境是最難預測的特徵。

為了評估這些偏見，Terhörst開始分析軟性測量屬性對面部識別算法的性能的影響，尤其是Arcface和FaceNet。

為此，科學家的團隊使用了一個名為Maad-Face的數據庫，其中包含大量的面部圖像，其中包含多個和高質量的屬性註釋。

其中包括每個屬性的六個正/陰性對照組，這些組是通過從數據庫中隨機選擇樣本而創建的。這些合成組的樣品數量與它們的正/負相對物相同。

Terhörst解釋說：“例如，如果我們有一萬個帶有眼鏡的樣本圖像，而沒有九萬的樣品圖像，則對於正面對照組而言，我們只會尋找隨機選擇的一萬個樣品，而對於隨機選擇的負面對照組而言，我們只會尋找一萬一。”

通過對照組分析兩種面部識別算法的結果表明，在人口統計學方面，中年，老年人，白人和男人的識別準確率比年輕，亞洲，黑人和女性更高。

當涉及與可見性相關的屬性時，完全可見的額頭，降低髮際線，禿頭，不耐眼鏡的個體比額頭，劉海，眼鏡和波浪形的頭髮更高的精度率更高。

帽子，耳環，口紅和眼鏡等臨時屬性也降低了面部識別算法的精確度，而拱形的眉毛，大或尖頭的鼻子，濃密的鼻子，濃密的眉毛，雙下巴和高che骨負責更高的精度。

這兩種算法在微笑的面孔和嘴巴上的得分也更好，而不是個人的非中性表情。根據Terhörst的說法，這可能是由於數據庫中的大量圖像來自微笑的名人。

其他偏見考慮了用戶的頭髮和眼睛顏色的顏色，以及是否有鬍鬚。

在面部模板中了解編碼的信息可能有助於開發偏置降低解決方案Terhörst解釋說，進入網絡研討會的第三部分。

但是，根據科學家的說法，以前在該領域的作品需要事先使用與偏見有關的屬性的標籤，並且只能減輕特定的偏見。

據報導，這些動作也已知可以降低面部識別算法的整體性能，並在整合到現有系統中的目前困難。

傳統系統的可能替代方法是公平得分歸一化（FNS）。 Terhörst解釋說，該技術可以在未標記的數據上運行，並有效地減輕了未知來源的偏見。

據稱，FN還可以大大提高面部識別系統的性能，並可以輕鬆地集成到現有系統中。

Terhörst隨後通過聽眾的問題結束了這一事件。

網絡研討會是EAB虛擬活動系列的一部分生物識別系統中的人口公平。註冊仍然可用於3月15日至30日的活動給EAB成員和非會員，為會員帶來折扣。